上一篇中,我们介绍了样本感知的FM模型,也就是IFM模型。而本文将介绍其改进版本,称为Dual Input-aware Factorization Machine(DIFM),一起来学习下。
1、背景
因子分解机(Factorization machine,FM)已经被成功地应用于各种推荐系统中。同时,许多的研究工作聚焦于从特征交互角度来提升FM模型的效果,如DeepFM将FM和DNN进行结合,建模特征之间的二阶和高阶交互,AFM通过引入attention思想,建模不同特征交互的重要性。
但是上述工作忽略了样本的独特性,举例来说,当样本是<青少年,女性,学生,喜欢粉色>,预测是否会点击<连衣裙>,此时女性这个特征会起到较为关键的作用;当样本是<青少年,女性,学生,喜欢蓝色>,预测是否会点击<笔记本>,此时女性这个特征就相对来说没有那么重要。因此,同一个特征在不同样本中应该被赋予不同的重要程度以更好地反映其具体贡献。
基于上述思路,上一篇文章我们介绍了样本感知的FM模型( Input-aware Factorization Ma- chine,IFM)来显式建模不同特征在不同样本的影响程度。下图是IFM的模型结构: